互联网的迅猛发展、网民数量的极速增长导致网络信息呈指数级暴增,使得用户从繁杂的信息中获取关注的新闻信息越来越困难。追踪用户关注话题的后续新闻信息,可以有效节约用户的查询时间,同时可将新闻信息按话题组织分类,故话题追踪技术变得尤为重要。在信息量庞大的网络环境下,如何高效组织新闻信息是话题追踪面临的最大挑战。现有的概率话题模型主要包括潜在狄利克雷分布(Latent Dirichlet Allocation,LDA)话题模型、语言话题模型、朴素贝叶斯网络话题模型和信念网络话题模型。上述模型在话题追踪时,都存在概率推导繁琐和存储推导过程中的数据占用大量空间的问题。为解决该问题,将简单贝叶斯网络检索模型的相关知识用于话题追踪,提出两个话题追踪模型。论文的工作主要包括两个方面:(1)针对概率话题模型追踪效率低、推理过程计算量大的问题,借鉴简单贝叶斯网络检索模型的思想,提出简单贝叶斯网络静态话题追踪模型(Simple Bayesian Network Static Topic Tracking model,SBNSTT模型),给出模型的拓扑结构、话题和报道相似度计算公式。SBNSTT模型是含术语和话题两层节点的有向图,图中弧的指向表明术语和话题的索引关系。话题和报道相似度的计算转换为条件概率的推导,概率推导时采用推理加估计的方法,在保证准确率的前提下,简化推理过程,提高追踪效率。(2)考虑事件是话题的子类,观察事件便于了解话题的各个方面,因此在SBNSTT模型的基础上添加一层事件节点,构建三层节点的贝叶斯网络静态话题追踪模型(Bayesian Network Static Topic Tracking model,BNSTT模型)。BNSTT模型是含术语、事件和话题三层节点的有向图,图中弧的指向表明三者的包含关系。话题和报道的相似度通过待测报道和事件、事件和话题的相似度求得。在TDT4官方数据集上验证新模型的性能。实验结果表明:SBNSTT模型的DET曲线在向量空间话题模型下方,追踪性能更好。与SBNSTT模型相比,BNSTT模型最小错误识别代价降低了1.7%,追踪性能进一步提高。